概述
受帝國主義殖民競爭機制的啟發，Atashpaz-Gargari和Lucas於2007年提出了一種新的智慧型最佳化算法—帝國競爭算法 (ICA)。與GA, PSO, ABC等受生物行為啟發的群智慧型算法不同，ICA受社會行為啟發，通過摸擬殖民地同化機制和帝國競爭機制而形成的一種最佳化方法。ICA也是一種基於群體的最佳化方法，其解空間由稱為國家的個體組成。ICA將國家分為幾個子群，稱為帝國。在每個帝國內，ICA通過同化機制使非最優的國家(殖民地)向最優國家(帝國主義國家)靠近，該過程類似於PSO。帝國競爭機制是ICA的關鍵，ICA通過帝國競爭機制將最弱帝國中的一個或多個殖民地移動到其他帝國，使帝國之間可以進行信息互動。
目前，國外已有許多學者對ICA的性能改進以及實際套用進行了大量的研究，也取得了一定的進展。ICA已被廣泛用於解決各種實際的最佳化問題，如調度問題、分類問題、機械設計等。然而，該算法仍然存在多樣性下降較快、易早熟收斂等缺陷。另外，ICA提出的時間較短，尚有很大的研究空間。
優點
帝國競爭算法與PSO, GA相比，收斂速度快、收斂精度高，具有較強的全局收斂性。算法利用殖民地向帝國主義國家移動進行局部搜尋，即在較優區域內進行大力度開採，保證了算法的局部搜尋能力。同時，帝國競爭操作使帝國內的殖民地可以向其他帝國移動，突破了原來的搜尋範圍，增加了種群多樣性，在一定程度上起到克服“早熟”現象的作用。此外，帝國合併操作大大加快了算法的收斂速度，對於低維度最佳化問題，具有較明顯的優勢。
存在的問題
群智慧型最佳化算法的“開採”和“勘探”能力是互相制約的，“開採”能力較強時，群體的多樣性會受影響，而“勘探”能力較強則算法的全局收斂速度會變慢。原始的ICA算法還不能很好地平衡這兩點，其局部搜尋能力較強，收斂速度快，因此最佳化高維多模問題時，容易陷入局部最優。
帝國合併以及帝國覆滅使ICA的帝國個數不斷減少，導致群體多樣性降低，算法的全局“勘探”能力受影響，易出現“早熟”現象。
帝國競爭操作體現了帝國之間的信息互動，然而，帝國競爭在每一次疊代中只是將最弱的殖民地歸於最強的帝國，該過程對每個帝國的勢力大小影響很小，需要多次疊代才能體現出來，帝國之間缺乏更有效的信息互動，即群體多樣性的體現並不明顯。
